一、项目概述

LOAF（Local Observations and Atmospheric Forecasting，本地观测与大气预报） 是由 PandoromL（Bread Board Foundry）发起的开源超局部气象预报项目，核心目标是通过融合本地传感器数据与机器学习模型，解决传统气象预报无法覆盖微尺度天气变化的痛点，为用户提供 “家门口级” 的精准气象预测方案。

项目完全采用开源硬件、开源软件与开源模型，无任何厂商锁定，从 DIY 传感器制作、数据采集，到模型训练、本地推理，全流程可复现，适配从普通爱好者到科研人员的多元需求。

二、项目背景与核心痛点

传统气象预报普遍采用 3km×3km 的网格分辨率，无法捕捉庭院、山谷、建筑间隙等微尺度场景的风场、温度、湿度变化；商业高精度预报依赖订阅制服务，且数据与算法不透明，难以满足科研与可复现性需求。

LOAF 项目基于 MIT Earth Intelligence Lab 的研究成果，通过将稀疏本地观测数据与区域气象模型（如 NOAA GFS、HRRR、ERA5）融合，结合 Transformer 时空融合架构，可将局部气象预测误差降低最高 80%，同时构建了一套低成本、透明化、无依赖的实现方案。

三、系统架构与工作流程

1. 整体架构

项目采用模块化设计，核心分为三层：

• 感知层：DIY 传感器节点，负责采集本地气象数据（风速、风向、温湿度等）

• 处理层：以树莓派为核心，实现数据存储、模型推理与预测处理

• 应用层：与 Home Assistant 等平台集成，提供自动化场景、仪表盘与警报功能

2. 数据流程

1. 数据采集：本地传感器通过通用接口接入树莓派，使用统一传感器库记录观测数据，存储至本地。

2. 预测处理：树莓派运行预训练的机器学习模型，结合本地观测数据与区域气象预报（HRRR/GFS/ERA5），生成超局部气象预测结果。

3. 集成应用：预测结果以 Home Assistant 实体形式暴露，支持自动化触发（如风大时自动关闭户外设备）、可视化仪表盘展示与异常警报推送。

四、硬件方案（无厂商锁定）

LOAF 采用完全开源的硬件设计，所有组件均可通过通用渠道采购，核心硬件包括：

硬件设计文件（含 PCB 图、3D 外壳模型）均已开源，用户可根据自身场景调整部署方案。

五、核心技术亮点

1. 偏差校正与时空融合：通过多模态 Transformer 架构，融合稀疏本地观测与区域预报数据，修正大型模型的系统性偏差，实现微尺度气象预测。

2. 本地端到端推理：模型可直接在树莓派等边缘设备上运行，无需依赖云端服务，保障数据隐私与离线可用性。

3. 可复现性设计：硬件、软件、模型代码完全开源，配套详细文档与开发计划，支持用户从零复现完整流程。

4. 场景化适配：支持多种部署场景，从普通家庭的庭院监测，到科研场景的离网环境数据采集，均有对应的实现方案。

六、当前进展与开发计划

1. 已完成里程碑

• 首款 DIY 超声波风速仪原型制作与测试

• 项目核心架构与技术方案文档发布

• GitHub 仓库开源，包含代码、硬件设计与开发计划

2. 核心优先级任务

• 完善 DIY 超声波风速仪的批量生产设计，降低制作门槛

• 在西雅图地区部署初始传感器节点，搭建 HRRR/MADIS 数据管道

• 训练区域适配模型，完成本地观测数据与预报模型的融合验证

• 将模型部署至树莓派硬件，实现端到端推理流程

• 开发 Home Assistant 专用组件，实现预测结果的可视化与自动化集成

七、适用场景

• 离网环境监测：偏远地区、无基础设施场景的气象数据采集与预测

• 科研与教学：气象学、机器学习交叉领域的可复现性实验平台

• 生活场景优化：庭院自动化控制（如风大时关闭遮阳棚）、户外作业风险预警

• DIY 爱好者项目：开源硬件与机器学习结合的实践项目，适配个人兴趣开发

八、License

MIT license

九、项目地址

https://github.com/PandoroML/LOAF